yolov5模型训练结果分析

模型评价指标

  • 检测精度
  • 检测速度

本文训练了50轮安全帽检测数据集,分析训练结果如下:

检测精度 检测速度
Precision;Recall;F1_score 前传耗时
IOU交并比 FPS每秒帧数
P-R曲线 flops浮点运算数量
AP;mAP

检测精度

  1. 混淆矩阵confusion_matrix
yolov5模型训练结果分析_第1张图片
  • 用来查看机器是不是把几个不同的类混淆了,比如把一个类当成另一个类。
  • 矩阵的x轴横坐标代表真实类别,y轴纵坐标代表预测类别。矩阵中的每个值Aij表示第j类被预测为第i类的概率。
  • 理想情况:除background外其余形成对角矩阵。
  1. P&R&P-R&F1_curve
  • 准确率Precision:(检测的准不准确)检测的效果好不好,检测到的区域是不是都为正确区域。P=TP/TP+FP
  • 理想值:1
  • 召回率Recall:(检测的全不全面)该检测到的区域是不是都检测到了。R=TP/TP+FN;FN是该检测到但是没有检测出的区域。
  • 理想值:1
  • P_curve:准确率和置信度的关系图
    yolov5模型训练结果分析_第2张图片

该图描述随着置信度阈值的增加,P值的变化;置信度设为某一数值的时候,各个类别识别的准确率。

  • R_curve:召回率和置信度的关系
    yolov5模型训练结果分析_第3张图片

当设置置信度为某一数值的时候,各个类别的查全的概率。

  • PR_curve
    yolov5模型训练结果分析_第4张图片

精度和召回率的关系图,而是是有些矛盾存在的。精度越高,召回率越低,理想情况是(1,1)点,即在准确度很高的情况下,尽可能检测到全部的类别。二者围成的面积就是mAP值,mAP面积越接近于1,效果越好。

  • F1_curve
yolov5模型训练结果分析_第5张图片
F1-score是分类问题的一个衡量指标。是精确率和召回率的调和平均数,最大为1,最小为0。 F1_score=2*P*R/P+R
  1. Labels:
yolov5模型训练结果分析_第6张图片

第一个图是训练集的数据量,每个类别有多少个
第二个是框的尺寸和数量
第三个是center点的位置。
第四个是labeld的高宽。可以看出头部一般相比于整个图片比较小,所以看到样本大多分布在(0-0.2,0-0.2)
4. result.png

yolov5模型训练结果分析_第7张图片
  • Loss function:损失函数越小越好,描述模型的预测值和真实值不一样的程度。极大程度上决定了模型的性能。
    • 定位损失box_loss:预测框与真实框之间的误差(GIOU)
    • 置信度损失obj_loss:
    • 类别损失cls_loss:计算锚框与对应的标定框类别是否一致
  • [email protected]:0.95:表示在不同的IOU阈值(从0.5到0.95,步长为0.05)(0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95)上的平均Map。
    [email protected]:表示阈值大于0.5的平均mAP

检测速度

  • 前传耗时(ms):从输入一张图像到输出最终结果所消耗的时间,包括前处理耗时(如图像归一化)、网络前传耗时、后处理耗时(如非极大值抑制)。
  • 每秒帧数FPS (Frames Per Second): 每秒钟能处理的图像数量,越高越好。
  • 浮点运算量(FLOPS):处理一张图像所需要的浮点运算数量,跟具体软硬件没有关系,可以公平地比较不同算法之间的检测速度。

参考:
YOLO-V5训练结果的分析与评价:https://blog.csdn.net/weixin_45751396/article/details/126726120

你可能感兴趣的:(深度学习,人工智能,神经网络)